PacMIL
A Multi-instance Learning Network with Prototype-instance Adversarial Contrastive for Cervix Pathology Grading
data: CH-CSCC：941 张宫颈癌病理图和对应原型图像；另有公开/内部扩展数据
引言
通过原型实例、概率分布注意力和对抗对比学习，处理宫颈鳞癌中混合分化区域与单一分化区域的表征差异，用于病理分级。
方法
（1）原型实例：用单一分化区域的病理先验引导学习。
（2）概率注意力：增强对混合分化实例的表征。
（3）对抗对比：学习可变的实例/原型度量，并对正确距离施加约束。
原文Fig. 2，PDF 第 4 页。
实验
实验设置
按 6:2:2 划分，分别含 564/189/188 个包，三个分化级别的样本数不均衡。
主要结果
摘要 mAcc/AUC 为 93.09%/0.9802；原型图像及 PAC 模块各自贡献应看分解实验。
原文Table 2，PDF 第 9 页。
消融与讨论
分别消融原型实例、概率注意力和对抗度量，注意原型标注是额外知识来源。
参考文献
A Multi-instance Learning Network with Prototype-instance Adversarial Contrastive for Cervix Pathology Grading